Lexikon der Argumente


Philosophische Themen und wissenschaftliche Debatten
 
[englisch]

Screenshot Tabelle Begriffes

 

Finden Sie Gegenargumente, in dem Sie NameVs…. oder….VsName eingeben.

Erweiterte Suche:
Suchbegriff 1: Autor oder Begriff Suchbegriff 2:Autor oder Begriff

zusammen mit




Der gesuchte Begriff oder Autor findet sich in folgenden 2 Einträgen:
Begriff/
Autor/Ismus
Autor
Autor
Eintrag
Eintrag
Literatur
Literatur
Genetische Algorithmen Norvig Norvig I 126
Genetische Algorithmen/Norvig/Russell: Ein genetischer Algorithmus (oder GA) ist eine Variante der stochastischen Strahlensuche, bei der Nachfolgezustände durch Kombination zweier Elternzustände (parent states) und nicht durch Modifikation eines einzelnen Zustands erzeugt werden. Die Analogie zur natürlichen Selektion ist die gleiche wie bei der stochastischen Strahlensuche, nur dass es sich jetzt um eine sexuelle und nicht um eine asexuelle Fortpflanzung handelt.
Norvig I 127
Wie bei der Strahlensuche beginnen GAs mit einer Reihe von k zufällig erzeugten Zuständen, der sogenannten Population. Jeder Zustand oder jedes Individuum wird als Zeichenkette über einem endlichen Alphabet dargestellt - am häufigsten eine Zeichenkette von Nullen und Einsen.
Norvig I 128
Wie die stochastische Strahlensuche kombinieren genetische Algorithmen eine uphill-Tendenz mit zufälliger Erkundung und Informationsaustausch zwischen parallelen Search Threads. Der primäre Vorteil genetischer Algorithmen liegt, wenn überhaupt, in der Crossover-Operation. Es lässt sich jedoch mathematisch nachweisen, dass, wenn die Positionen des genetischen Codes zunächst in zufälliger Reihenfolge vertauscht werden, das Crossover keinen Vorteil bietet.
Norvig I 155
In den 1950er Jahren verwendeten mehrere Statistiker, darunter Box (1957)(1) und Friedman (1959)(2), evolutionäre Techniken zur Optimierung von Problemen, aber erst Rechenberg (1965)(3) führte Evolutionsstrategien zur Lösung von Optimierungsproblemen für Tragflächen ein, sodass der Ansatz an Popularität gewann. In den 1960er und 1970er Jahren setzte sich John Holland (1975)(4) für genetische Algorithmen ein, sowohl als nützliches Werkzeug als auch als Methode zur Erweiterung unseres Verständnisses von Anpassung, biologisch oder anderweitig (Holland, 1995)(5). Die künstliches Leben-Bewegung (Langton, 1995)(6) geht mit dieser Idee noch einen Schritt weiter und betrachtet die Produkte von genetischen Algorithmen als Organismen und nicht als Problemlösungen. VsGenetische Algorithmen: Die meisten Vergleiche von genetischen Algorithmen mit anderen Ansätzen (insbesondere stochastisches Bergsteigen) haben ergeben, dass die genetischen Algorithmen langsamer konvergieren (O'Reilly und Oppacher, 1994(7); Mitchell et al., 1996(8); Juels und Wattenberg, 1996(9); Baluja, 1997)(10).
VsVs: Solche Erkenntnisse sind in der GA-Gemeinschaft nicht universell verbreitet, aber die jüngsten Versuche innerhalb dieser Gemeinschaft, die populationsbasierte Suche als eine ungefähre Form des Bayes'schen Lernens zu verstehen, könnten helfen, die Lücke zwischen dem Feld und seinen Kritikern zu schließen (Pelikan et al., 1999)(11). >Genetische Programmierung/Norvig.


1. Box, G. E. P. (1957). Evolutionary operation: A method of increasing industrial productivity. Applied
Statistics, 6, 81–101.
2. Friedman, G. J. (1959). Digital simulation of an evolutionary process. General Systems Yearbook, 4, 171–184.
3. Rechenberg, I. (1965). Cybernetic solution path of an experimental problem. Library translation 1122, Royal Aircraft Establishment
4. Holland, J. H. (1975). Adaption in Natural and Artificial Systems. University of Michigan Press.
5. Holland, J. H. (1995). Hidden Order: How Adaptation Builds Complexity. Addison-Wesley.
6. Langton, C. (Ed.). (1995). Artificial Life. MIT Press.
7. O’Reilly, U.-M. and Oppacher, F. (1994). Program search with a hierarchical variable length representation: Genetic programming, simulated annealing and hill climbing. In Proc. Third Conference on Parallel Problem Solving from Nature, pp. 397–406
8. Mitchell, M., Holland, J. H., and Forrest, S. (1996). When will a genetic algorithm outperform hill climbing? In Cowan, J., Tesauro, G., and Alspector, J. (Eds.), NIPS 6. MIT Press.
9. Juels, A. and Wattenberg, M. (1996). Stochastic hill climbing as a baseline method for evaluating genetic algorithms. In Touretzky, D. S., Mozer, M. C., and Hasselmo, M. E. (Eds.), NIPS 8, pp. 430–6.
MIT Press.
10. Baluja, S. (1997). Genetic algorithms and explicit search statistics. In Mozer, M. C., Jordan, M. I., and Petsche, T. (Eds.), NIPS 9, pp. 319–325. MIT Press 11. Pelikan, M., Goldberg, D. E., and Cantu-Paz, E. (1999). BOA: The Bayesian optimization algorithm.
In GECCO-99: Proc. Genetic and Evolutionary Computation Conference, pp. 525–532.

Norvig I
Peter Norvig
Stuart J. Russell
Artificial Intelligence: A Modern Approach Upper Saddle River, NJ 2010
Genetische Programmierung Norvig Norvig I 155
Genetische Programmierung/Russell/Norvig: Das Gebiet der genetischen Programmierung ist eng mit den genetischen Algorithmen verbunden. Der Hauptunterschied besteht darin, dass die Repräsentationen, die mutiert und kombiniert werden, eher Programme
Norvig I 156
als Bitstrings sind. Die Programme werden in Form von Ausdrucksbäumen dargestellt; die Ausdrücke können in einer Standardsprache wie Lisp vorliegen oder speziell für die Repräsentation von Schaltkreisen, Robotersteuerungen usw. designt sein. Beim Crossover werden eher Teilbäume als Teilstrings miteinander verbunden. Diese Form der Mutation garantiert, dass die Nachkommen wohlgeformte Ausdrücke sind, was nicht der Fall wäre, wenn Programme als Strings manipuliert würden. Das Interesse an der genetischen Programmierung wurde durch John Kozas Arbeit angeregt (Koza, 1992(1), 1994(2)), geht aber zumindest auf frühe Experimente mit Maschinencode von Friedberg (1958)(3) und endlichen Automaten (finite-state automata) von Fogel et al. (1966)(4) zurück.
VsGenetische Programmierung: Wie bei den genetischen Algorithmen wird auch hier über die Wirksamkeit der Technik diskutiert. Koza et al. (1999)(5) beschreiben Experimente zur Verwendung genetischer Programmierung beim Entwurf von Schaltkreisen. Gute Übersichtstexte zu genetischen Algorithmen geben Mitchell (1996)(6), Fogel (2000)(7) und Langdon and Poli (2002)(8), sowie das kostenlose Online-Buch von Poli et al. (2008)(9).



1. Koza, J. R. (1992). Genetic Programming: On the Programming of Computers by Means of Natural Selection. MIT Press
2. Koza, J. R. (1994). Genetic Programming II: Automatic discovery of reusable programs. MIT Press.
3. Friedberg, R. M. (1958). A learning machine: Part I. IBM Journal of Research and Development, 2, 2–13.
4. Fogel, L. J., Owens, A. J., and Walsh, M. J. (1966). Artificial Intelligence through Simulated Evolution.
Wiley.
5. Koza, J. R., Bennett, F. H., Andre, D., and Keane, M. A. (1999). Genetic Programming III: Darwinian invention and problem solving. Morgan Kaufmann
6. Mitchell, M. (1996). An Introduction to Genetic Algorithms. MIT Press.
7. Fogel, D. B. (2000). Evolutionary Computation: Toward a New Philosophy of Machine Intelligence.
IEEE Press.
8. Langdon, W. and Poli, R. (2002). Foundations of Genetic Programming. Springer 9. Poli, R., Langdon, W., and McPhee, N. (2008). A Field Guide to Genetic Programming. Lulu.com.

Norvig I
Peter Norvig
Stuart J. Russell
Artificial Intelligence: A Modern Approach Upper Saddle River, NJ 2010